用于复杂机电系统故障诊断的分层树状置信规则库

更智能的机器安全检查

现代列车、工厂和飞机依赖于布满传感器与控制电路的复杂机电系统。一旦隐藏故障漏检，后果可能代价高昂甚至危及安全。本文提出了一种用于及早发现此类问题的新方法：一种分层推理系统，将工程师的专业见解与机器数据相结合，同时保持逻辑的透明性，便于专家理解和信任。

为何隐藏故障难以发现

大型设备，例如高速列车中的永磁电机，被设计得非常可靠。真实故障罕见，因此用于训练传统机器学习模型的故障样本很少。与此同时，这些系统的信号复杂交织：传感器众多、工况多样，故障既可能长期稳定、缓慢演化，也可能突发且随机。传统基于物理的模型难以详尽建立，而纯数据驱动的模型往往像黑箱，虽能给出准确结论却无法解释推理过程。试图将专家规则与数据结合的现有规则系统则面临另一难题：随着传感器特征数量增长，可能的规则组合呈爆炸式增长，使得方法在实践中庞大难用。

友好且分层的规则树

作者通过重塑规则组织方式直接应对规则爆炸问题。他们不是使用一个尝试所有特征组合的巨大平面规则表，而是构建由更小规则模块组成的树状结构。每个小模块只关注少量经精心挑选的特征，并输出关于机器处于何种故障状态的置信度。这些模块按层次排列，高层模块处理信息量最大的特征，低层模块则用额外细节来细化决策。一种进化搜索过程自动探索多种可能的树布局，并保留在准确性与简洁性之间取得平衡的结构，从而免去工程师手工设计整个结构的繁重工作。

选择合适的监测信号

在构建规则树之前，该方法先挑选出最有用的传感器特征。它借鉴信息论思想来衡量每个特征与故障类型的关联强度，然后结合专家对故障如何影响电流、振动等信号的物理认知对这些评分进行调整。例如，经常随转速或负载变化但与故障无关的特征会被降权，而已知能反映特定故障模式的特征则被提升。每个特征的最终评分融合了数据证据、物理洞察和在不同工况下的经验。仅保留排名靠前的特征，从而裁剪输入空间并在源头阻止不必要规则的产生。

合并重叠线索而不重复计数

由于树包含多个可能依赖相关信号的规则模块，它们的输出并非相互独立。如果忽视这种重叠，标准的融合方法可能会无意中多次计入同一证据，从而扭曲最终诊断结果。为避免这一点，作者采用并调整了一个名为 MAKER 的框架，该框架可度量不同模块输出之间的相似性，包括细微的非线性关联。每个模块被赋予基于其历史准确率的可靠度、反映重要性的权重，以及表征其信息在多大程度上已被其他模块覆盖的相关性度量。这些因素被共同用来调整各模块对最终决策的影响力，从而削弱那些强但冗余的线索，同时让独特且可信的线索发挥更大作用。

在真实电机上的验证

为检验所提方法，研究人员使用了基于永磁同步电机的真实电驱动系统，类似于高速铁路中使用的电机。他们在电流测量中注入四类传感器故障：稳定偏移、增益错误、随时间缓慢漂移和随机间歇性尖峰，另设健康状态。由电流的简单时域统计量（如能量和峰值相关度量）出发，方法选出紧凑的六个特征并构建了分层规则树。在仅有480个样本的情况下，该方法的准确性与几种先进机器学习模型持平或更优，同时所用规则远少于传统置信规则系统，并且每一步推理都可追溯。树状结构还使得训练和实时推断更快，这对工业监测尤为重要。

对更安全设备的意义

通俗地说，研究表明可以用一种可控的规则系统来监测复杂机器，该系统既能解释其决策，又能在故障样本稀少时仍表现良好。通过先挑选信息量最大的信号，再将小型规则模块组织为树状结构并以相关性感知的方式融合它们的输出，该方法避免了规则数量的爆炸与许多学习模型的不透明性。对于列车、工厂及其他安全关键系统的运行者而言，这提供了一条通向既准确又可理解的故障诊断工具的路径，帮助人工专家信任并改进自动告警，而不是盲目接受。

引用: Chen, M., Su, T., Cheng, C. et al. Hierarchical tree-structured belief rule base for fault diagnosis of complex electromechanical systems. Sci Rep 16, 15267 (2026). https://doi.org/10.1038/s41598-026-45997-x

关键词: 故障诊断, 机电系统, 置信规则库, 传感器故障, 分层建模